Bases de datos vectorizadas
Las bases de datos vectoriales (o vectorizadas) son bases de datos diseñadas para guardar información como vectores numéricos y buscar información por similitud de significado, en lugar de buscar únicamente coincidencias exactas de palabras.
Una forma sencilla de verlo
Una base de datos tradicional puede guardar:
ID | Nombre | Ciudad
1 | Geremy | Santo Domingo
2 | Carlos | Santiago
Y buscar:
"Busca personas de Santo Domingo"
La base de datos busca coincidencias con "Santo Domingo".
Una base de datos vectorial funciona de otra manera.
Supongamos que tienes:
"El perro está jugando en el parque."
Un modelo de embeddings convierte ese texto en números:
[0.21, -0.73, 0.44, 0.18, ..., 0.91]
Ese conjunto de números es un vector.
Otro texto:
"Un cachorro corre por el parque."
podría producir un vector parecido:
[0.24, -0.70, 0.47, 0.16, ..., 0.89]
Aunque los dos textos no utilizan exactamente las mismas palabras, sus vectores están cerca porque tienen un significado similar.
¿Qué guarda entonces una base vectorial?
Normalmente almacena algo parecido a:
┌───────────────┬─────────────────────┬───────────────────────┐
│ ID │ Texto │ Embedding │
├───────────────┼─────────────────────┼───────────────────────┤
│ chunk_001 │ El perro juega... │ [0.21,-0.73,...] │
│ chunk_002 │ El cachorro corre...│ [0.24,-0.70,...] │
│ chunk_003 │ El automóvil... │ [-0.51,0.12,...] │
└───────────────┴─────────────────────┴───────────────────────┘
La base puede calcular qué vectores están más cerca del vector de una pregunta.
¿Por qué son importantes para RAG?
Aquí es donde se vuelven muy útiles.
Imagina que subes un PDF de 200 páginas.
El sistema hace:
PDF
↓
Extraer texto
↓
Dividir en chunks
↓
Crear embeddings
↓
Guardar embeddings
↓
Base de datos vectorial
Después preguntas:
"¿Cuál es la política de vacaciones de la empresa?"
La pregunta también se convierte en un vector:
Pregunta
↓
Embedding
↓
[0.18, -0.72, 0.46, ...]
La base vectorial busca los fragmentos que tienen vectores más similares:
Pregunta
↓
[0.18,-0.72,...]
│
┌─────────┴─────────┐
↓ ↓
Chunk 37 Chunk 104
similitud 0.94 similitud 0.91
│ │
└─────────┬─────────┘
↓
LLM
↓
Respuesta
Eso es la parte de Retrieval de RAG.
En una frase
Una base de datos vectorial permite almacenar representaciones numéricas del significado de la información y posteriormente encontrar información semánticamente similar.
Algunos sistemas conocidos son Pinecone, Qdrant, Weaviate y PostgreSQL utilizando pgvector.
Y lo importante: la base vectorial no es la IA. Es el sistema que le permite a la IA encontrar rápidamente el conocimiento relevante que necesita para responder.